Yangın ve Güvenlik Dergisi 214. Sayı (Nisan 2020)

Yangın ve Güvenlik / Nisan 2020 41 yanginguvenlik.com.tr alarak, algoritmamızı fiziki dünyaya aktarılma kapasitesi olan sanal bir ortamda görüntülemek ve performansını test etmek için karma gerçekliğin bir araç olarak kullanılmasını öneriyoruz. Esas makalemiz bilgisayar görüntüsü algoritma- larının uygulanmasına ve Unity oyun motoru ve robot işletim sistemine (ROS) dayanan bir genel simülasyon programının inşa edilmesine dayanmaktadır. Bu İHA’yı test etmek ve görsel algoritmaya dayanan SLAM sistemi ve yangın tes- piti ile birleştirmek için yapılır. Video dizisinden gelen renk ve hareket bilgisi bilgisayar görüntüsü vasıtasıyla kamera görüntüsünden etkilenmeyecek şekilde ayarlanır. Geçici ola- rak genişletilmiş normalleştirilmiş ortak değişken (kovaryans) tanımlayıcı (TENCD) zaman mekânsal video bloklarını tanım- lamak için tasarlanmıştır. Sahte ya da hatalı alev pikselleri bir aşındırma operasyonu ile otomatik olarak ortadan kaldırılır. Kayıp alev pikselleri bölge büyütme yöntemi (region growing method) kullanılarak elde edilir. Bu çalışmadaki araştırma dronu açık kaynaklı miniArduCAM kamera ile eşleştirilmiş bir nano hava aracıdır (Crazyflie 2.0). Crazyflie sadece 27 gram ağırlığındadır, bir insan elinin avucuna rahatça sığar ve kanat açıklıkları arası 9,0 cm’dir ve 2 adet mikro-elektro mekaniği mevcuttur 3 . Taşıma yükünün sınırlı olması nedeniyle (15 g) mini ArduCAM kamera video akışı (çözünürlük 320x240 piksel) ve nesne ve yer tanıma yöntemiyle SLAM üretimi için kullanılır. Açık kaynaklı robot işletim sistemi (ROS) 4 kulla- nılmış ve ara yüzü olarak Unity oyun motoru uygulanmıştır. Algoritmamız karma gerçeklik (MR) ortamında yangın tespiti, otonom uçuş ve SLAM performansı için incelenmiştir. Şekil 1(a) bu çalışmada kullanılan Crazyflie2.0 ile mini ArduCAM kamerayı göstermektedir. 2.2. GEÇMIŞ SLAM’lar (Simultane lokalizasyon ve İşaretleme sistemi) GPS benzeri navigasyon sistemlerine daha az bağımlı olan navigasyon çözümleridir ve çözümü navigasyon durumlarına ve çevrenin bazı özelliklerini tahmin ederek sağlar [17]. Bir hareketten (SFM) veya tek göz kullanan SLAM’dan gerçek zamanlı yapıya olan çözüm iki ana paradigmaya (modele) ayrılabilir: filtreleme ve optimizasyon esaslı yaklaşımlar [18- 23]. Filtreleme yöntemlerinden bazıları: Uzatılmış Kalman Filtresi (EKF), Uzatılmış Kalman Filtresi (EKF-SLAM) ve Rao- Blackwellized (Rao-Blackwell teoremine göre) partikül filtreleridir (FastSLAM) [24-26]. Görsel grup dengele- mesi (BA_Bundle adjustment) veya ful SLAM Levenberg– Marquardt veya Gauss–Newton yöntemlerini kullanan bir optimizasyon yöntemidir [27-30]. Bu SLAM probleminin optimal doğrusal olmayan en küçük kareler ile formüle veya ifade edilmesidir. Bu ifade kilit karelerdeki tüm sınır işareti gözlemlerinin toplu olarak minimum yeniden üretme hatalı MLPE (maksimum benzerlik parametresi tahmini - maximum likelihood parameter estimate) ile üretmek için bir görsel yeniden yapılanma geliştirir [30-35]. Grup dengelemesinin (BA) amacı sensör karelerinden hissedilen çeşitli sınır işaretlerinin algılanan ve öngörülen ölçümleri arasındaki hatayı azaltmaktır[36]. Görsel ve eylem- sizlik ile ilgili grup dengelemesi (IMUBA) aynı zamanda eylemsizlik ölçme birimi (IMU) ile bağlantısı olan bir optimi- zasyon yöntemidir [27, 28]. Gerçek zamanlı grup dengele- mesi (BA) için yerel bir yaklaşım kabul edilebilir, buna karşılık, görsel eylemsizlikle ilgili grup dengelemesinde (IMUBA) en son pozların (sınır işaretlerinin) karelerini aktif olarak kaydır- mak ve kalanını önceki bir dağılımların içine ayırmak makul bir yaklaşımdır [36-38]. Doğru sonuçlar elde etmek için ayırma (marjinalizasyon) ile etkilenen önceki dağılımları taşı- mak döngü tamamlamada pahalı bir küresel optimizasyon gerektirir (sıklıkla döngü içindeki tüm parametrelerin den- gelenmesi gerekir) [29]. Keivan ve çalışma arkadaşları [28], ayırma (marjinalizasyon) yerine uyarlanabilir senkronize şartlandırma kullanmışlar ve bu prosedürün uygulanabilir şekilde kullanılması durumunda çok daha sağlam, güvenilir ve güvenilmeyen parametre tahminlerinde kilitlenmeleri önlediğini göstermişlerdir. Sibley [39] çok fazla döngüsü olan SLAM problemlerini çözmek için poz grafiği optimizas- yonu (içinde pozların, noktaların, sınır işaretleri olan göreceli pozların, noktaların, grafiği) önermiştir. Sibley ve çalışma arkadaşları SLAM’ı seyrek bir poz kısıtlamaları setine dönüş- türmüş (sınır işaretleri parametrelerini poz parametrelerinin üzerine ayırmış ve küçük bir harita alt seti bölgesini çeşitli ayırma formlarıyla tahminleri birbiri üzerine bindirmeden tam çözümü andıracak şekilde optimize etmişlerdir. Grafik mesafe ölçüsü en kısa yollara dayanan bağlı bir Riemannian manifoldu tanımlamaktadır. Seyrek grup dengelemesi (BA) sınır işareti parametrelerini poz, nokta, parametreleri üzerine ayıran; hareketten yapı oluşturmayı (structure-from-motion (SFM)) optimize etmek için kullanılan standart bir yöntemdir ve bir noktada birleştirme prosedürlerini tekrarlayan optimal yol tahmini için çözüm getirir. MLPE’deki hesaplama karma- şıklığı konularının üstesinden gelmek için Sibley ve çalışma 3 https://wiki.bitcraze.io/projects :crazyflie2:index. 4 http://wiki.ros.org/ROS/Introduction.